使用生物知识驱动的机器学习来预测早期的怀孕损失

科学领域:

• 环境流行病学
• 生殖毒理学
• 生物信息学

背景情况:

• 评估环境混合物对生殖健康的影响具有挑战性.
• 知识图形网络 (KGN) 对生物解释具有前景,但在流行病学中未得到充分利用,特别是在样本规模较小的情况下.

研究的目的:

• 开发和验证一个结合生物知识图形网络 (BKGNs) 和机器学习 (ML) 的新框架,用于预测早孕流产 (EPL).
• 在接受体外受精和胚胎移植 (IVF-ET) 的妇女中确定与EPL相关的关键环境暴露和生物途径.

主要方法:

• 招募了116名接受IVF-ET的妇女,收集临床数据和生物样本 (头发,血清,卵泡).
• 测量了16种和多基物质 (PFAS) 和41种金属化物.
• 开发了与ML结合BKGN (整合基因本体学和蛋白质通路) 的框架,以预测EPL,并通过减少样本大小测试其稳定性.

主要成果:

• 基因本体学集成的BKGN-ML模型实现了0.876的曲线下的高面积 (AUC),优于其他模型 (AUC = 0.819).
• 即使样本规模减少了40%,该模型仍然有效.
• 鉴定了与EPL相关的血清和等关键暴露,以及与EPL相关的细胞群增殖和核变等生物干扰.

结论:

• 拟议的BKGN-ML框架是预测暴露相关生殖健康结果的强大,具有成本效益的工具.
• 这种机制性方法提供了对环境混合物暴露和早期妊娠损失之间的联系的有价值的见解.